遥感数字图像计算机解译分析

1第六章遥感数字图像的计算机解译本章主要内容6.1遥感数字图像的自动分类6.2遥感图像多种特征的抽取6.3遥感图像解译专家系统26.1遥感图像的计算机分类36.1遥感图像的计算机分类4专题信息提取的概念：日本遥感学会：利用图像的光谱信息，空间信息以及多时相信息对目标进行识别并归类，并将可从遥感图像中提取的信息分为五类。6.1遥感图像的计算机分类56.1遥感图像的计算机分类66.1.1分类原理与基本过程1)遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。6.1遥感图像的计算机分类72)遥感图像计算机分类方法监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。6.1遥感图像的计算机分类83)遥感数字图像计算机分类基本过程1.根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。2.根据研究区域，收集与分析地面参考信息与有关数据。3.根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。4.找出代表这些类别的统计特征6.1遥感图像的计算机分类93)遥感数字图像计算机分类基本过程4.为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。6.对遥感图像中各像素进行分类。7.分类精度检查。8.对判别分析的结果进行统计检验。6.1遥感图像的计算机分类10（1）最小距离分类法Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类11DefinesatypicalpixelforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类12（2）多级切割分类法通过设定在各轴上的一系列分割点，将多维特征空间划分成分别对应不同分类类别的互不重叠的特征字空间的分类方法。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征字空间中。6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类13（3）特征曲线窗口分类法特征曲线是地物光谱特征曲线参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类14（4）最大似然比分类法(MaximumLikelihood)通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类15最大似然比分类法6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类16最大似然比分类法6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类176.1遥感图像的计算机分类6.1.2图像分类方法－监督分类最大似然比分类法18（1）分级集群法确定评价各样本相似程度所采用的指标初定分类总数；计算样本间的距离，据距离最近的原则判定样本归并到不同类别；归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离。6.1遥感图像的计算机分类6.1.2图像分类方法－非监督分类1920（2）动态聚类法(a)计算个体与初始类别中心的距离,把该个体分配到最近的类别中;(b)计算并改正重新组合的类别中心,重复进行(a)的过程。如果重新组合的个体数在某一门限值以下,可以认为结束。(c)消除微小的类别后，当类别数在一定的范围，类别中心间的距离在门限位以上，类别内的方差的最大值为门限值以上时，可以看做集群分析终了。当集群分析的终了条件不满足时.就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到(a)，重复进行再组合的过程。6.1遥感图像的计算机分类6.1.2图像分类方法－非监督分类2122根本区别在于是否利用训练场地来获取先验的类别知识。监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。6.1遥感图像的计算机分类6.1.2图像分类方法－监督分类与非监督分类方法比较231类别的合并2筛滤3临近类别的归并4多数或者少数分析5图象分割6类别的叠加6.1遥感图像的计算机分类6.1.3分类后处理241精度评价流程2检验数据3采样方法4混淆矩阵5Kappa统计6.1遥感图像的计算机分类6.1.4精度评价25随着遥感和GIS的结合，遥感专题分类结果作为GIS数据更新的需求日益加剧。分类精度直接关系到它更新GIS数据库的能力，因此分类结果的精度评价也引起了人们的普遍关注。检验数据（采样方案，采样大小和数目）位置精度专题精度均方根误差误差矩阵参数统计报告图精度评价流程6.1遥感图像的计算机分类6.1.4精度评价－评价流程26检验数据主要来自于地面实况的调查或更高空间分辨率的航空图像的目视解译结果，但根据航空影像解译结果往往产生保守的精度。ENVI软件中通过定义ROI来实现。6.1遥感图像的计算机分类6.1.4精度评价－检验数据27①简单随机采样（SimpleRandomSampling）②分层随机采样（StratifiedSimpleRandomSampling）③聚类采样（ClusterSampling）④系统采样（SystemSampling）⑤分层系统采样（StratifiedSystemSampling）除了聚类采样以块以外，其余4种方法都以像元为基本单位。检验样本的采样方法是影响精度评价结果的重要因素。6.1遥感图像的计算机分类6.1.4精度评价－采样方法28运行误差（CommitError）=(E+F)/G用户精度（User’sAccuracy）：=A/G=100%-运行误差结果误差（OmissionError）=(B+C)/D生产者精度（Producer’sAccuracy）=A/D=100%-结果误差总体精度(OverallAccuracy)=m为类别数目，N为样本数目。6.1遥感图像的计算机分类6.1.4精度评价－混淆矩阵29总体精度并不能排除偶然一致性，因此一些研究人员推荐使用Cohen（1960）提出的kappa统计评价方法。kappa统计也是根据混淆矩阵来计算。miiimimiiiiiXXNXXXNk1211ˆ其中m为类别数，为对角线样本的数目，，分别是i行i列上样本数目的总和，N为样本数目。XiiiXiX6.1遥感图像的计算机分类6.1.4精度评价－Kappa统计30Kappa统计用到了混淆矩阵中每一个元素，用来度量实际吻合（ActualAgreement）和变化吻合（ChangeAgreement），比只计算总体精度要合理些。它在评价不同分类器的分类精度上耕具有统计意义上的辨析能力。Kappa统计的意义是：如果Kappa统计为0.7，则表示所用的分类方法比随机赋予各点某一类别的方法优越70%。目前kappa统计也成为评价分类结果的一个标准参数。31321、未充分利用遥感图像提供的多种信息只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类.水体的分类.6.1遥感图像的计算机分类6.1.5图像分类中的有关问题332、提高遥感图像分类精度受到限制大气状况的影响：吸收、散射。下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。6.1遥感图像的计算机分类6.1.5图像分类中的有关问题34一、地物边界跟踪法1.点状地物与面状地物的边界跟踪2.线装地物信息检测与跟踪二、形状特征描述与提取1.地物形状特征的描述2.地物形态特征的提取6.2遥感图像多种特征的抽取35三、地物空间关系特征描述与提取1.不同地物之间的空间关系：方位关系、包含关系、相邻关系、相交关系、相贯关系。2.空间关系特征提取与描述（1）方位关系的提取（2）包含关系特征提取与描述（3）相邻关系特征抽取（4）相交关系特征抽取（5）相关关系特征的提取6.2遥感图像多种特征的抽取36专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。遥感图像解译专家系统的组成图像处理与特征提取子系统遥感图像解译知识获取子系统遥感图像解译专家系统的机理计算机解译的主要技术发展趋势6.3遥感图像专家解译系统376.3.1遥感图像解译专家系统的组成1、图像处理与特征提取子系统：包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。2、遥感图像解译知识获取系统：获取遥感图像解译专家知识，并把专家知识形式化表示，存贮在知识库中。3、狭义的遥感图像解译专家系统。6.3遥感图像专家解译系统386.3.2图像处理与特征提取子系统1、图像处理：图像滤波可消除图像的噪声；图像增强可突出目标物体与背景的差异；大气纠正可消除大气散射、雾霁等影响；几何精校正后的数字影像可与专题图精确复合；2、分类与特征提取子系统从图像中抽取光谱特征、图像特征和空间特征，为专家系统进行推理、判断及分析提供依据。6.3遥感图像专家解译系统396.3.3遥感图像解译知识获取子系统1、遥感图像解译知识获取系统的主要功能是知识获取.2、知识获取有三个层次:增加遥感解译新知识发现原有错误知识,修改或补充新知识根据解译结果,自动总结经验，修改错误知识,增加新知识.4、遥感图像解译描述性知识可以采用框架式方法表示框架知识表示方法的特点5、过程性知识采用产生式规则知识表示方法产生式规则的特点6.3遥感图像专家解译系统406.3.4遥感图像解译专家系统的机理1、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征，由数据管理系统管理。2、解译知识库包括专家解译知识和背景知识，由知识库管理系统管理。3、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。6.3遥感图像专家解译系统416.3.5计算机解译的主要技术发展趋势1、抽取遥感图像多种特征对高分辨率卫星图像的自动解译来说，一般分别对目标地物采用地、中、高三个层次进行特征抽取和表达。低层次的对象是像素，每个像素对应的数值是该地物波谱特征的表征；中层次主要抽取和描述目标的形态、纹理等空间特征；高层次主要抽取和描述识别目标与相邻地物之间的空间关系。6.3遥感图像专家解译系统422、逐步完成GIS各种专题数据库的建设，利用GIS数据减少自动解译中的不确定性GIS数据库在计算机自动解译中发挥以下重要作用：（1）对遥感图像进行辐射校正，消除或降低地形差异的影响；（2）作为解译的直接证据，增加遥感图像的信息量；（3）作为解译的